Matemática para Ciência de Dados: Fundamentos teóricos e aplicações práticas em Python (Portuguese Edition)

O que você aprenderá neste livro: Álgebra Linear: Vetores, matrizes, espaços vetoriais, transformações lineares, autovalores e decomposição em valores singulares (SVD). Domine a base da manipulação de dados e das transformações geométricas. Cálculo: Funções, derivadas, gradientes e otimização. Aprenda a otimizar modelos, entender taxas de variação e o funcionamento do gradiente descendente. Probabilidade e Estatística: Probabilidade, variáveis aleatórias, distribuições, estatística descritiva e inferência estatística. Desenvolva a capacidade de modelar eventos aleatórios e tomar decisões baseadas em evidências. Matemática Discreta: Lógica, conjuntos, grafos e algoritmos em grafos. Explore as bases do raciocínio lógico, as relações entre objetos e os algoritmos de busca em redes. Redes Neurais e TensorFlow: Neurônios artificiais, funções de ativação, forward propagation, backpropagation, treinamento de modelos com TensorFlow. Construa e treine suas primeiras redes neurais, compreendendo o funcionamento interno desses modelos. Conjuntos de Dados para Aprendizado de Máquina: Tipos de dados, pré-processamento, divisão, visualização. Aprenda a preparar, analisar e visualizar seus dados de forma eficaz, garantindo que seus modelos sejam treinados de forma correta. Regularização em Machine Learning: As técnicas que garantem que os modelos aprendam de forma eficiente e generalizem bem para dados não vistos, como L1, L2 e Dropout. Otimização: Otimização de modelos com gradiente descendente e variações.